Page 430 - 《软件学报》2026年第5期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2026,37(5):2309−2324 [doi: 10.13328/j.cnki.jos.007494] [CSTR: 32375.14.jos.007494] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
模糊感知引导的渐进图像去模糊

胡 波, 田镕澳, 郑 佳, 龚兵兵, 高新波

(重庆邮电大学 计算机科学与技术学院, 重庆 400065)
通信作者: 高新波, E-mail: gaoxb@cqupt.edu.cn

摘 要: 图像去模糊因其在安防监控、医学影像处理、遥感图像处理等领域的广泛应用而备受关注. 尽管基于端
到端的方法已经取得了巨大的进步, 但单一的 U-Net 网络也难以处理复杂的运动模糊, 而基于辅助任务的恢复方
式往往存在参数量大的问题. 此外, 绝大多数方法均无法实现对不同图像模糊位置和模糊程度的精确识别, 而模糊
感知往往是决定模型恢复性能的关键因素之一. 受此启发, 提出一种模糊感知引导的渐进图像去模糊算法
(progressive image deblurring guided by blur perception, PDBP-Net). 该算法的主要思想是利用辅助任务来生成模糊
感知特征图从而引导算法实现更精细的恢复. 首先, 高频差异与图像残差生成子网络 (high frequency difference and
image residual generative subnetwork, HDIRG-net) 采用辅助学习的方式同时生成高频差异特征图和残差图; 然后,
将两者输入高频差异引导的模糊感知模块 (blur perception module guided by high-frequency differences, BPGHD) 深
入融合并提取模糊信息, 从而生成模糊感知特征图. 此外, 为了缓解单网络对复杂场景难恢复的问题, 该模块利用
残差图和模糊图生成初步恢复图; 最后, 模糊感知指导的细节恢复子网络 (blur perception guided detail restoration
subnetwork, BPGDR-net) 在模糊感知特征图的指导下对初步恢复图进行有针对性的再优化, 从而生成最终的恢复
图. 提出的去模糊模型在多个基准数据集上进行了广泛的评估, 并且与最先进的去模糊方法相比, 具有显著的优势.
特别地, 在 GoPro 数据集上, 峰值信噪比 (PSNR) 和结构相似性 (SSIM) 值达到了 33.85 dB 和 0.967, 其中 PSNR
指标高于第 2 名 0.39 dB. 大量实验结果表明, PDBP-Net 优于最先进的辅助学习方法, 并显著提升了图像去模糊的
性能, 印证了所提方法的有效性.
关键词: 图像去模糊; 辅助学习; 高频差异; 模糊感知
中图法分类号: TP391
中文引用格式: 胡波, 田镕澳, 郑佳, 龚兵兵, 高新波. 模糊感知引导的渐进图像去模糊. 软件学报, 2026, 37(5): 2309–2324. http://
www.jos.org.cn/1000-9825/7494.htm
英文引用格式: Hu B, Tian RA, Zheng J, Gong BB, Gao XB. Progressive Image Deblurring Guided by Blur Perception. Ruan Jian Xue
Bao/Journal of Software, 2026, 37(5): 2309–2324 (in Chinese). http://www.jos.org.cn/1000-9825/7494.htm

Progressive Image Deblurring Guided by Blur Perception
HU Bo, TIAN Rong-Ao, ZHENG Jia, GONG Bing-Bing, GAO Xin-Bo
(School of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065, China)
Abstract: Image deblurring has attracted much attention due to its wide applications in fields such as security surveillance, medical image
processing, and remote sensing image processing. Although end-to-end methods have made significant progress, a single U-Net network
struggles to handle complex motion blur, while restoration approaches based on auxiliary tasks often suffer from large parameter sizes. In
addition, the vast majority of methods fail to accurately identify the locations and degrees of blur in different images, while blur perception
is often one of the key factors determining the restoration performance of models. Inspired by this, this study proposes a progressive

* 基金项目: 国家自然科学基金 (62101084); 重庆自然科学基金 (CSTB2023NSCQ-BHX0187, CSTB2023NSCQ-LZX0085); 重庆市教委科
学技术研究项目 (KJQN202200638); 重庆市博士后研究项目 (2022CQBSHTB2052)
收稿时间: 2024-10-18; 修改时间: 2025-03-18; 采用时间: 2025-06-16; jos 在线出版时间: 2025-12-03
CNKI 网络首发时间: 2025-12-04